人工智能辅助非影像专业住院医师核医学PET短期培训探索

Exploration of Short-term Nuclear Medicine PET Training for Non-imaging Resident Physicians Assisted by Artificial Intelligence

摘要

背景 随着核医学正电子发射断层扫描（PET）技术迅速发展，非影像专业的医师难以通过短期培训规范化掌握核心技能。因此，如何有效利用新兴技术提升培训效果成为亟待解决的问题。 目的 旨在评估人工智能（Artificial Intelligence， AI）教学辅助非影像专业住院医师PET/CT影像解读及临床决策能力培养中的有效性，基于FDG PET/CT在肺癌的诊断及分期影像教学。 方法 入选2023年6月— 2024年5月在浙江大学医学院附属第一医院核医学科进行住院规范化培训的94名非影像专业住院医师，随机分为观察组53人和对照组41人。观察组采用人工智能教学结合联影uAI平台进行学习，而对照组则使用传统的教学模式。通过理论考核、技能考核、问卷及满意度调查进行评估。 结果 观察组在理论考核和技能考核中的成绩分别为（80.5±7.8）分和（79.4±5.8）分，显著高于对照组的（79.4±5.8）分和（76.6±5.5）分（P<0.05）。满意度调查显示，观察组在教学效果满意度方面达90.5%，显著高于对照组的58.5%（P<0.05），且问卷总分也显著优于对照组（P<0.0001）。 结论 AI教学能够有效提升临床非影像专业住院医师在PET/CT影像解读及临床决策能力方面的表现。

Abstract

Background With the rapid development of positron emission tomography (PET) technology in Nuclear Medicine, non-imaging residents face significant difficulty in mastering core competencies through short-term standardized training. Consequently, effectively leveraging emerging technologies to enhance training outcomes has become an urgent issue to address. Objective The study aims to evaluate the effectiveness of artificial intelligence (AI)-assisted teaching in enhancing FDG PET/CT image interpretation and clinical decision-making skills for non-imaging residents based on the diagnosis of FDG PET/CT in lung cancer and staging imaging teaching. Methods A total of 94 non-imaging residents undergoing the standardized training at the First Affiliated Hospital of Zhejiang University School of Medicine from June 2023 to May 2024 were selected and randomly divided into the control group (n=53, using AI-assisted teaching via the uAI platform) and the observation group (n=41, using traditional teaching mode). Outcomes were assessed through theoretical assessments, skills evaluation, questionnaires, and satisfaction surveys. Results The observation group achieved significantly higher scores than the control group in both theoretical assessments (80.5±7.8 vs. 79.4±5.8, P<0.05) and skills evaluation (79.4±5.8 vs. 76.6±5.5, P<0.05). Satisfaction survey indicated that the satisfaction with the teaching effect was significantly higher in the observation group (90.5% vs. 58.5%, P<0.05), with markedly better total questionnaire scores (P<0.0001). Conclusion AI-assisted teaching effectively enhances PET/CT image interpretation and clinical decision-making skills of non-imaging residents.

关键词

人工智能 / 非影像专业 / 核医学住院医师规范化培训 / PET / 教学体系

Key words

Artificial intelligence / Non-Imaging residents / Standardized training for Nuclear Medicine residents / PET / Teaching system

住院医师规范化培训（简称住培）是临床核医学教学的重要组成部分，学员包括医学影像学专业（放射科、超声科及核医学科）及非影像学专业学生（心内科、呼吸科、肿瘤科等）。主要目的是使学员以住院医师身份接受核医学系统化、规范化的培训，以理论与实践紧密结合为引导，提高临床青年医师业务水平，为今后其独立应对临床问题奠定基础。

近年来，核医学多模态影像设备，如正电子发射计算机断层扫描/X线计算机体层成像仪（PET/CT）及正电子发射型磁共振成像设备（PET/MR），已在临床实践中得到广泛应用^［1］。尤其是PET/CT，已成为临床核医学影像检查的主流设备。然而，目前的临床核医学教学内容和大纲仍主要依赖于传统的核医学教学模式（SPECT），缺乏对多模态影像学（如PET/CT及PET/MR）的整合与应用^［2］，这一现状逐渐不能满足当前临床应用和大数据时代的发展需求，影响了核医学专业学生的培养。因此，对当前的临床核医学教学进行改革和探索显得尤为必要^［3］。

同时，核医学住培时间较短，尤其是非影像学专业住院医师，根据国家住院医师规范化培训内容与标准（2022版），通常仅有1个月的短期培训时间，传统的授课方式往往形式单一，加上核医学学习内容范围广、病变复杂，尤其是氟代脱氧葡萄糖-正电子发射断层扫描/X线计算机体层成像仪（PDG PET/CT）肿瘤代谢显像。因此，现阶段对非影像学专业医师的核医学培训仍显不足，难以全面掌握相关技能，如何在有限的时间里使非影像专业住院医师规范化培训更加高效高质量，成为住培基地和住培生们共同面临的关键问题。

目前人工智能（Artificial Intelligence， AI）作为一种新兴的教学工具，正在深刻改变传统的医学教育模式。AI在医学教育中的应用已经广泛渗透到知识传递、技能训练以及评估反馈等多个方面。通过AI技术，教师能够为学生提供个性化的学习体验，帮助他们在理论和实践中更高效地掌握复杂的医学知识^［4-7］。在医学影像学领域，AI的应用尤为突出^［8-10］。然而，AI辅助在核医学PET影像教学方面的相关探索及研究目前仍较少。

基于此，本研究基于¹⁸F-FDG PET/CT在肺癌的诊断及TNM分期影像教学的探索，利用AI技术优化¹⁸F-FDG PET/CT在肺结节及肺癌代谢显像的教学培训过程，同时结合住培医师体验和评价，与传统以书写报告数量为核心的教学模式进行比较，旨在探索有助于非医学影像科住院医师的教学模式，以及如何利用AI技术提升教师的教学效率和学生的学习体验，并在较短培训期间内提高其读片技能，为未来的临床工作打下坚实的基础。

1 对象与方法

1.1 研究对象

选取2023年6月— 2024年5月在浙江大学医学院附属第一医院核医学科住培的非影像专业住院医师共94人为研究对象，均知情并且自愿加入。

纳入标准：①非影像学专业住院规范化培训医师，主要为内科及外科临床科室；②在核医学规范化培训时间大于1月。排除标准：①影像学专业住院规范化培训医师，主要为放射科、核医学科及超声科住院医师；②在核医学规范化培训时间不足1月；③不愿意加入该教学研究。本研究采用试验对照方法，随机分为观察组和对照组，观察组为AI教学相结合组（53人），对照组为传统的讲授教学组（41人）。

1.2 教学目标

①能够正确解读肺癌FDG PET/CT影像，识别原发灶、淋巴结转移及远处转移。②能够结合临床资料制定个体化治疗方案。③掌握FDG PET/CT检查原理、适应症，了解肺部病变FDG PET/CT假阳性及假阴性表现。

1.3 教学模式

1.3.1 观察组

使用联影uAI平台。①通过AI算法自动标注病灶（如肺结节、淋巴结等）及关键解剖结构，辅助住院医师快速定位病变区域；②自动识别肺癌原发灶的代谢活跃区（SUV_max值实时显示），并标注纵隔淋巴结转移范围，辅助TNM分期；③住院医师在阅片时，平台会根据影像特征（如病灶形态、代谢水平）自动生成结构化报告模板，并推荐鉴别诊断列表（如肺癌与肺结核的影像学差异）；④平台可实时计算恶性概率（基于深度学习模型），并结合患者病史提示是否需要活检或随访。⑤查看以往类似疾病的影像学表现、特点。

结合uAI平台为规培学生讲解常见肺结节病变影像表现，带教教师进行补充和总结，带教教师在案例分析后系统梳理教学内容，聚焦影像诊断学核心知识点（如肺结节良恶性鉴别标准）与临床实践难点（如磨玻璃结节随访策略），通过启发式提问与逆向思维训练，强化学生“影像—病理”关联分析能力及临床决策逻辑，着力培养学生分析问题和解决问题的能力。选取典型临床病例（如LUNG-RADS 4类肺结节）作为实践任务，要求学生基于uAI平台的多模态影像分析模块（含自动病灶标注、代谢参数量化功能）完成诊断推理，并参照指南独立撰写结构化报告，并由专业影像医师进行判断诊断报告是否合格。

1.3.2 对照组

采用传统的PPT教学模式，结合PACS系统及报告书写软件。①理论讲解（PPT教学）：使用PPT系统讲解FDG PET/CT原理、影像解剖、常见病变特征、报告结构及诊断标准。在PPT中嵌入PACS系统截图或动态演示链接，直接展示典型病例影像，强化理论联系实际。②影像分析实战（PACS系统及PET系统整合）：在理论讲解后实时操作，教师登录PACS系统并调取匹配病例，带领学生逐层分析影像，识别关键征象。互动分组讨论病例，使用PACS及PET系统标注工具标记可疑区域，提交小组诊断结论至教学平台。③报告撰写训练（PET/CT软件实操）：在PPT中展示标准报告模板，分解各模块填写要点，包括具体影像学表现（包括CT值、边界情况、病变性质、糖代谢程度、SUV值等），肺结节的诊断、肺癌分期及临床建议。

1.4 评估方法

1.4.1 理论考核

核医学规培考试题库中选取50题，内容以FDG PET/CT基本原理，肺结节及肺癌基本影像及PET影像为主，观察组及对照组使用同一试卷，手机线上独立答题，时间1小时。A1题型30题，A2题型15题，案例分析题5题，考试由副高以上职称指导医师进行盲法阅卷。

1.4.2 技能考核（PET/CT影像诊断报告）

包括肺结节诊断及鉴别诊断、肺癌TNM分期两个项目，观察组使用联影uAI平台书写报告，对照组使用传统报告系统书写。线下独立答题，时间为1小时。提交报告后，考试由副高以上职称指导医师从诊断准确性和描述规范性双维度进行盲法评分，评分规则按照《浙江省住院医师规范化培训临床实践能力结业考核 核医学影像诊断报告评分表》。评分要素包括一般项目（患者姓名、性别、年龄、影像检查号、检查日期）（各1分，共5分），检查项目（4分），显像剂、显像技术及方法（各2分，共6分），影像观察全面（5分），重要的阳性征象（5分）和阴性征象（5分），征象描述客观细致（3分），描述病灶的形态、部位、数量、放射性分布情况等（各3分，共15分），专业术语运用恰当（5分），前后保持一致（2分），无非专业术语出现（3分），条理清楚（5分），语言精练（5分）。

1.4.3 问卷调查

了解住院医师对于教学方式的看法以及学习兴趣的评估，同时测评学习效果和教学质量。问卷包括5个问题，包括本次住培教学方式是否适应，学习内容是否易于掌握；通过本次培训，是否按本专业住培大纲要求完成疾病的影像学表现学习；通过本次培训，是否更好地掌握了影像学知识；通过本次培训是否提高了临床学习能力；通过本次培训，对以后临床工作、学习是否有帮助。采用5级评分，分别赋5、4、3、2、1分。问卷Cronbach’s α为0.865，提示其具有良好的信度。对比观察组和对照组问卷调查得分，分析两组间差异。

1.4.4 满意度调查

分别对两组住院医师进行教学模式和教学效果的满意度调查，问卷包含非常满意、满意、一般、不满意、非常不满意5级，分别用5、4、3、2、1分代表。4分及以上为满意，1~3分为不满意。给1~5级分别加权值为0、0.2、0.5、0.8、1分，计算满意度得分。教学模式和教学效果分别加权0.5分，计算满意度总得分。对比观察组和对照组满意度得分，分析两组间差异。

1.5 统计学处理

应用 GraphPad Prism 8.3.0 统计软件分析数据。采用Shapiro-Wilk检验两组住院考核成绩的正态性，两组住院医师成绩均符合正态性分布，两组住院医师一般情况的计数资料以n（%）表示，组间比较采用Fisher精确检验，计量资料以均值±标准差表示，两组住院医师考核成绩比较采用独立样本t检验；P<0.05为差异有统计学意义。

2 结果

2.1 一般情况

入选规范化培训住院医师总数量94名，来自多个科室，包括心血管内科、呼吸内科、肿瘤内科、血液科、内分泌科、消化内科、感染科、放疗科、肿瘤外科、甲状腺外科、胃肠外科以及肝胆胰外科。AI教学组中有24名男性和29名女性，传统教学组中有19名男性和22名女性。两组住院医师年龄、性别、学历、科室、医院及规培年级信息详见表1，两组基础资料对比，差异无统计学意义（所有P值均>0.05），具有可比性。

2.2 两组之间理论考核及技能考核成绩的对比

总体AI教学组的出科理论考核成绩为（80.5±7.8）分，显著高于传统教学组的（79.4±5.8）分（P=0.0003）；此外，技能考核成绩AI教学组为（79.4±5.8）分，传统组为（76.6±5.5）分（P=0.0220）。显示AI教学组的表现显著优于传统教学组，详见表2。

在专业及科室层面，在不同的教学方案下，血液科、放疗科、肿瘤外科等特定科室，AI教学组的理论考核成绩显著优于传统教学组，表现出显著差异（P值分别为0.0364，0.0488和0.0330）。而在出科技能考核中，AI教学组只有在呼吸内科的技能考核成绩显著高于传统组（81.3±5.9 vs. 72.5±3.8，P=0.0365），而其他科室则未见显著差异（P>0.05）。

在学历方面，硕士研究生、博士研究生组出科理论考核AI教学组成绩显著高于传统教学组（P=0.0021和P=0.0140）。在出科技能考核中各学历组未见显著差异（P>0.05）。

在规培年级方面，研究显示AI教学组在二年级的出科理论考核表现出明显优势（81.0±7.7 vs 79.0±6.0，P=0.0008）。三年级住院医师在AI教学组的技能考核成绩为（85.0±5.0）分，显著高于传统教学组的（76.4±6.0）分（P=0.0134）。一年级AI教学组的理论考核成绩为（80.5±6.5）分，传统教学组为（75.4±7.61）分（P=0.0763）。

在本院和外院住院医师的表现比较中，本院住院医师和外院住院医师AI教学组的出科理论考试成绩均优于传统教学组（78.7±8.3 vs 72.3±7.6，P=0.0360；81.5±7.1 vs 75.0±8.5，P=0.0024），然而在出科技能考核中未见明显差异（P>0.05）。

2.3 两组之间满意度及问卷调查的对比

两组满意度调查比较AI教学组在教学模式、教学效果方面满意度分别为84.9 %和90.5%，总满意度为87.7%；传统教学组在教学模式、教学效果方面满意度分别为78.7%和58.5%，总满意度为64.6%，比较结果详见表3。

AI教学组的教学模式满意度评分为（4.9±0.6）分，而传统教学组为（4.7±0.8）分，P值为0.0884，尽管AI教学组的满意度略高于传统组，但在教学模式的整体满意度上未达显著性。教学效果满意度方面，AI教学组为（4.7±0.6）分，传统教学组为（4.4±0.7）分，P值为0.0269，表明AI教学组的教学效果评价显著优于传统教学组，有助于改善住院医师的学习效果。

AI教学组的问卷调查总分为（21.8±2.8）分，而传统教学组为（18.2±3.4）分，P值小于0.0001，显示出AI教学组的问卷结果显著优于传统组。

3 讨论

近年来，核医学的发展得益于新型放射性药物的出现和多模态成像技术（如SPECT/CT、PET/CT、PET/MR等）的应用，这些技术能够提供更为精确的诊断信息，从而提升了疾病的早期发现和治疗效果。然而，尽管核医学在临床中的应用越来越广泛，核医学的培训模式仍然面临诸多挑战，尤其是在住院医师的培训过程中^［11］。因此在当前核医学教育发展与人工智能技术快速进步的背景下，AI作为创新工具为核医学教学模式革新提供了重要契机^［12-13］。

然而，尽管AI在医学教育中显现了许多优势，关于其在住院医师培训中的具体应用仍处于探索阶段。特别是在核医学PET的亚专业培训中，如何有效地应用AI技术，以提升教学质量和住院医师的实际操作能力，仍需进一步探索^［14］。因此，本研究旨在探讨AI教学模式在核医学PET亚专业科室住院医师短期规范化培训中的应用效果，以期为未来的教学改革提供依据。

本研究构建了一种人工智能辅助的短期培训体系，基于¹⁸F-FDG PET/CT在肺癌的诊断及TNM分期影像教学体系的探索，通过对两组住院医师的理论考核和技能考核成绩进行比较，旨在提升非影像专业住院医师在¹⁸F-FDG PET/CT诊断的理论和技能水平，揭示了AI教学的潜在优势。研究结果显示，AI教学组的出科理论考核成绩为（80.5±7.8）分，显著高于传统教学组的（79.4±5.8）分（P=0.0003），而技能考核成绩AI教学组为（79.4±5.8）分，传统组为（76.6±5.5）分（P=0.0220）。这一发现表明，AI教学不仅在理论知识的掌握上具有显著优势，而且在实际技能的培养上也展现出更好的效果。这与既往研究中提出的基于人工智能的教学模式能够提高学习效果的观点相一致^［15］。

从专业和科室的层面来看，AI教学组在血液科、放疗科和肿瘤外科等特定科室的理论考核成绩均显著优于传统教学组（P值分别为0.0364，0.0488和0.0330）。虽然在技能考核中，只有在呼吸内科的成绩显示出显著差异（81.3±5.9 vs. 72.5±3.8，P=0.0365），但这依然表明AI教学在某些科室的规范化培训上具有更大的潜力，但是仍然需要进一步研究。此外，更高学历的住院医师在AI教学中受益更大，硕士和博士研究生组的出科理论考核成绩均显著高于传统教学组（P值分别为0.0021和0.0140），这为未来医学人才的培养方向提供了新思路。

规培年级阶段的亚分析结果显示AI教学组的二年级住院医师在理论考核中的平均成绩为（81.0±7.7）分，显著高于传统组的（79.0±6.0）分（P=0.0008）。这些结果表明，AI辅助的教学方法可能对初学者尤其具有积极的影响，有助于他们在基础知识较弱的情况下逐步提升。此外，研究还发现，AI教学组的一年级住院医师的理论考核成绩为（80.5±6.5）分，尽管未达到显著性水平，但接近显著性（P=0.0763），这进一步强调了早期AI教学方法的重要性。

本研究的局限性主要体现在样本量和研究设计上。虽然我们在不同专业和学历层次的住院医师中进行了比较，但样本量相对较小，或可能影响结果的普遍性和代表性。而且，本研究为单中心研究，可能存在地区性差异，限制了结果在更广泛范围内的适用性。此外，我们的随访时间仅为一年，未能评估更长期的效果和安全性。最后，尽管研究比较了AI教学与传统教学的效果，但未能深入探讨具体的教学方法和内容，这可能影响我们对AI教学在核医学PET亚专业领域具体应用的理解。因此，未来研究应当扩展样本量、采用多中心设计，并进一步探讨AI教学的具体实施细节，以更全面地评估其对住院医师培训的影响。后续的研究可以从以下几个方面进行深入探索：首先，建立一个纵向追踪和评估体系，以定量化人工智能教学对临床决策能力（例如，NCCN指南遵循性的）长期影响；其次，构建一个多中心合作平台，纳入三级医院与基层医疗机构之间的对照研究；最后，开发一个基于深度学习的智能评估系统，以实现对教学效果的多维度动态监测。

4 结语

本研究证实，AI赋能的教学模式在提升跨学科临床医师（尤其非影像专业住院医师）的PET/CT影像学理论认知及病灶判读技能方面具有显著优势。其教学效果与学员满意度显著优于传统教学模式。这一结果强调了AI技术在医学影像学及核医学教育中的潜力，特别是在多模态影像整合教学模块中体现创新价值。今后我们将继续探索和优化AI赋能的教学模式在核医学教学中的应用，并考虑将更多医院与地区纳入研究，以提升结果的普遍适用性。

参考文献

[1] ANNER P， MAYERHÖFER M， WADSAK W，et al ．［¹⁸F］ FDG-PET/CT and MRI for initial pelvic lymph node staging in patients with cervical carcinoma：The potential usefulness of ［¹⁸F］ FDG-PET/MRI［J］．Oncology Letters，2018，15（3）：3951-3956．

[2] HOD N， LEVIN D， TIKTINSKY K，et al ．Nuclear medicine and molecular imaging：From basic science to the front in innovative imaging and treatment［J］．Harefuah，2021，160（7）：448-454．

[3] 尹红燕，顾涛颖，张一帆，等 ．多模态教学在临床核医学教学中的应用探讨［J］．诊断学理论与实践，2024，23（2）：214-218．

[4] 齐艳伟，张玉红，马长玲 ．人工智能在“人体寄生虫学” 教学中的运用［J］．医学教育研究与实践，2025，33（2）：264-268．

[5] RAJBHANDARI P， GLICK A F， BROWN M F，et al ．Communication training for pediatric hospitalists and its impact on clinical practice with families using languages other than English［J］．Academic Pediatrics，2024，24（7）：1086-1091．

[6] 江哲涵，奉世聪，王维民 ．人工智能生成内容在医学教育中的应用、挑战与展望［J］．中国教育信息化，2024，30（8）：29-40．

[7] 隋佳宇，刘爽，刘海霞，等 ．ChatGPT在临床医学教育中的应用与挑战［J］．医学教育研究与实践，2024，32（2）：141-145．

[8] 吴芳，苏壮志，孙峥，等 ．人工智能辅助教学在医学影像规范化培训中的应用及探索［J］．医学教育管理，2023，9（6）：746-751．

[9] 张宁男楠，张璋 ．人工智能辅助教学在医学影像规范化培训中的新探索［J］．教育教学论坛，2019（25）：176-178．

[10] 代进杰，陈艺偲，邓艾琳，等 ．基于扎根理论的ChatGPT在核医学教育中的应用优势［J］．医学教育研究与实践，2025，33（1）：136-143．

[11] VON SCHULTHESS G K ．Integrated modality imaging with PET-CT and SPECT-CT：CT issues［J］．European Radiology，2005，15（）：D121-D126．

[12] 贾萌，张瑛琪，李云峰，等 ．医学人工智能教育的研究进展［J］．医学教育研究与实践，2023，31（1）：1-6．

[13] 巴宏军，陈佳睿，胡晗，等 ．住院医师对人工智能应用的认知与态度调查［J］．中华医学教育杂志，2025，45（3）：194-197．

[14] PASARICA M，KAY D ．Lifestyle medicine education：Finding learning outcomes in unexpected places［J］．Medical Science Educator，2019，29（2）：345-346．

[15] LIN Y S， LAI Y H ．Analysis of AI precision education strategy for small private online courses［J］．Frontiers in Psychology，2021，12：749629．

基金资助

2019年度国家自然科学基金(82071965)

2025 浙江省医药卫生科研项目(2025KY055)